基于高斯贝叶斯的建筑水暖设备故障信号诊断分析

传统的信号稀疏表示多特征提取检测方法、多尺度排列熵故障信号检测方法只能检测低频分量,导致电压、电流检测结果不精准。根据上述问题,提出了基于高斯贝叶斯的建筑水暖设备故障信号诊断方法。该方法构建故障暂态信号模型,依据暖通设备模型分析暂态故障信号及对参数的影响。利用高斯贝叶斯进行信号诊断,以李氏指数为判断依据分类各种信号,在获得高诊断识别率(失效/故障模式正确识别率分别达到96%和86%)的同时,也识别了影响失效/故障分类的关键特征参量。仿真实验结果显示,故障信号监测方法电压暂态波形变化与实际变化情况一致,电流暂态波形变化与实际数值相差仅为0.5 A,检测精度优于传统方法,将其应用到大型建筑水暖中效果更优。

基于高斯贝叶斯网络模型的跑道侵入影响因素研究

运用高斯贝叶斯网络模型并咨询跑道安全专家的意见对跑道侵入因素进行分类,建立贝叶斯网络模型;经MATLAB软件计算绘制了影响因素的均值和均方差曲线图。通过该曲线图得出跑道侵入因素的权重,弥补个人对跑道侵入因素判断和分析的缺陷。挖掘表层因素不断确定时隐含在内部的因素对跑道侵入事件的影响程度。当隐含因素的均方差减少到极小值时,表明该隐含因素得到确定,可在调查跑道侵入事件的原因时避免重复或疏漏。

基于多维高斯贝叶斯算法在雷达故障信息诊断系统应用

为提升雷达故障信息的诊断效率,节约执行故障诊断指令所需消耗的数据成本,设计基于多维高斯贝叶斯算法的雷达故障信息诊断系统;利用完整的框架结构设计客户机/服务器模式,联合服务器与信息查询模块,实现雷达故障信息诊断系统的体系结构搭建;在此基础上,计算故障信息的松弛度数值,通过判定迭代门限的方式,实现对多维系数信号的处理,完成基于多维高斯贝叶斯算法的雷达故障信息感知;联合已嵌入的雷达故障信息,连接Access数据库,实现诊断系统的接口技术研究;综合上述所有理论依据,设计基于多维高斯贝叶斯算法的雷达故障信息诊断系统;借助Windows平台,分别连接上述系统与远程故障诊断原型系统,在雷达故障信息诊断系统的应用过程中得出,基于多维高斯贝叶斯算法雷达故障信息诊断系统的诊断效率最大值为45%,RSR指标最大值为16.7%,指令执行消耗的数据成本较低,表明所设计系统具有一定的实际应用性。

基于条件高斯贝叶斯网络的代谢组学数据分类预测研究

目的探讨条件高斯贝叶斯网络(conditional Gaussian Bayesian network, CGBN)在代谢组学数据的分类判别中的应用。方法通过模拟研究与实际代谢组学数据分析,比较CGBN与偏最小二乘判别分析(partial least squares discriminant analysis, PLSDA)在不同相关程度和不同稀疏水平的高维数据及线性相关与非线性等情形时的分类判别性能,评价指标采用ROC曲线下面积(area under curve, AUC)和平均计算时间。结果模拟研究结果表明,变量之间低相关且样本量不大于200时CGBN分类判别AUC高于PLSDA。在自变量与因变量非线性相关且小样本情况下CGBN分类判别AUC同样高于PLSDA。实例数据分析结果显示CGBN和PLSDA分类判别的AUC分别为0.997,0.975。CGBN的计算时间要远高于PLSDA。结论在不受计算负担限制的情形下,CGBN是代谢组学数据典型分析方法的一种可行的替代方法,值得进一步研究。

基于高斯贝叶斯网络的大型钢桁梁桥损伤识别

为确保桥梁结构在运营期间的安全性能,以某大型公铁两用钢桁梁桥为研究背景,开展基于高斯贝叶斯网络(Gaussian Bayesian network,GBN)的钢桁梁桥损伤识别研究。建立该钢桁梁桥的有限元模型,对桥梁在汽车和列车作用下的耦合振动效应进行分析,并研究不同荷载因素对桥梁振动效应的影响;构建以移动荷载为1级节点,桥梁挠度为2级节点,桁架单元峰值应力为3级节点的GBN网络模型;通过有限元分析,获取桥梁结构在不同荷载因素作用下的训练数据,并对构建的GBN网络进行训练,得到能够准确表征各级节点复杂映射关系的网络模型。结合训练后的GBN网络模型和基于结构单元峰值应力残差的损伤指标,分别对钢桁梁桥在单点损伤、多点损伤以及不同损伤程度工况下的损伤识别进行研究,并对比分析不同移动荷载对桥梁结构损伤识别结果的影响。研究结果表明:基于训练后的GBN网络,能够准确地实现钢桁梁桥的损伤定位,并根据损伤指标计算值对结构的损伤程度进行量化;此外,对比汽车和列车荷载作用下的损伤识别结果,基于汽车荷载作用下的损伤识别结果具有更高的精度。

基于多维高斯贝叶斯的造纸机械设备故障自动检测系统

为了给造纸机械设备的检修工作提供有价值的参考数据,解决现有故障检测系统存在的漏检率、错检率高以及检测时间开销大的问题,利用多维高斯贝叶斯算法,从硬件和软件功能两个方面,实现故障自动检测系统的优化设计。优化系统服务器的连接方式及配置,改装振动传感器、滤波器、存储器等设备,完成硬件系统的设计。根据造纸机械设备故障机理的分析结果,确定造纸机械设备故障的检测比对标准。采集并处理造纸机械设备的多维运行数据,提取振动数据的变化特征。利用多维高斯贝叶斯算法确定故障类型,完成系统的故障自动检测功能。通过系统测试实验得出结论:设计系统的漏检率和错检率均低于1%,且RSR指数低于800ms,即系统功能和性能均满足设计要求。

基于主成分分析及多维高斯贝叶斯的超声流量计故障智能诊断方法

提出了基于多维高斯贝叶斯模型的设备故障智能诊断流程,包括数据的筛选与结构化分析、数据的降维、模型的构建、诊断结果的检验与分析等。研究表明采用主成分分析方法进行降维时,不同的诊断对象在降维参数的选择方面存在较大差别,诊断效果因诊断对象和样本数量的不同而有所差异。利用公开发表的超声波流量计数据库对流程进行验证。结果显示:针对B型流量计进行280次、C型流量计进行550次智能故障诊断,故障状态的首选正确识别率分别达到99.3%和95.1%,较k-最近邻(KNN)聚类分析算法有一定的优势。

基于高斯贝叶斯网络的高支模支架体系安全性能评定

高支模支架体系在桥梁等大型基础设施建设中应用广泛,其安全性能评定是确保工程稳定性和施工人员安全的关键,传统的安全评定方法依赖于静力学分析和工程经验,难以考虑多种不确定性因素。文章以某城市高架桥为例,提出一种基于高斯贝叶斯网络(GBN)的高支模支架体系安全性能评定方法,通过建立有限元模型,考虑结构自重、温度荷载、不均匀沉降三个关键因素,获取支架体系在不同荷载组合下网络训练数据,构建具有复杂映射关系的高斯贝叶斯网络模型,实现对支架体系安全性的动态评估。结果表明,数据训练后的高斯贝叶斯网络能够准确地实现高支模支架体系安全性能评定,为高支模支架体系安全评定提供了一种新的方法和思路。

基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究

提出了基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测新方法,将变量消元和期望最大化算法相结合对模型进行推理,应用聚类评价指标对状态数进行优化,通过计算待识别特征向量的概率值来确定设备当前的退化状态,在退化状态识别的基础上,提出了剩余使用寿命预测方法。最后,分别应用50组轴承全寿命仿真数据和3组轴承全寿命实验数据对模型进行验证。结果表明,该模型可有效地识别设备的退化状态并对剩余使用寿命进行预测。

基于多维高斯贝叶斯的机械设备失效/故障智能诊断及参数影响分析

采用多维高斯贝叶斯机器学习方法研究机械设备的失效/故障智能诊断方法,基于极大似然分析基础上,提出一种基于“马氏距离”估算的关键特征参量影响分析方法,用于评价各特征参量对失效/故障分类的影响。该方法用于两个机械设备的失效/故障数据库的智能诊断分析,在获得高诊断识别率(失效/故障模式正确识别率分别达到96%和86%)的同时,也识别了影响失效/故障分类的关键特征参量。分析表明特定的失效/故障模式往往取决于少数关键特征参量,而不确定的失效/故障模式的关键特征参量往往呈分散分布,关键特征的分散性会影响多维高斯贝叶斯分类器的诊断识别率。该方法可用于机械设备的失效/故障的智能识别与关键特征参量的智能诊断,也为失效/故障的影响因素分析指明方向。

滑动数据窗口驱动动的的贝叶斯-高斯网络及其在非线性系统辨识中的应用

工业控制场合中,需要获取非线性被控对象的结构特性,而系统动态响应的数据直接从外部特征上反映了非线性系统结构关系.为了充分利用非线性动态系统响应过程中的数据,本文提出了一种基于滑动数据窗口(sliding data window)的贝叶斯-高斯神经网络(SW-BGNN)模型.该模型将数据融合于网络模型结构中,借助于贝叶斯推理和高斯假设,利用滑动窗口数据,实现非线性动态系统的辨识和预测.整个SW-BGNN本身需要确定的参数很少,因此运算的时间很短,适合于非线性动态系统的在线辨识.将SW-BGNN应用于几个非线性动态系统的辨识和预测,仿真试验结果表明了SW--BGNN模型的有效性.

基于贝叶斯的大数据模型在大气污染成因分析中的应用

提出了一种基于多维高斯贝叶斯分类算法的复杂系统影响因素的分析方法,并利用大数据方法建立了不同PM_(2.5)范围的分类模型,结合马氏距离开展了影响因素的关键性分析。以合肥市2013―2018年间的天气与空气质量数据为基础,筛选了PM10、SO_(2)、NO_(2)、CO、O_(3)等8个大气污染的关键影响因素,采用散点矩阵对PM_(2.5)与这些影响因素的相关性进行了分析。利用高斯贝叶斯分类器建立了基于8个主要参量的PM_(2.5)大气污染分析模型,研究发现,PM_(2.5)与CO浓度具有较强的正相关性,对NO_(2)具有选择性,与O_(3)具有负相关性,而CO与SO_(2)对PM_(2.5)的产生存在某种竞争机制。

基于高斯朴素贝叶斯的网络安全态势感知技术研究与应用

网络安全态势感知技术是一种基于环境的、动态的、整体的数据融合方法,可以从宏观角度把数据融合起来,是网络安全强有力的监控技术和保障技术。通过机器学习算法发现数据之间的相关性,可以发现数据之间潜在的联系。高斯朴素贝叶斯是机器学习中较为通用的一种算法,通过对KDDCUP99数据集的训练和测试,得到的模型有效地对网络安全测试数据进行了预测。

基于高斯混合-贝叶斯模型的轨迹预测

如今,在交通管理系统、军事机械化战场、安全行驶系统中,对实时、准确、可靠的移动对象轨迹预测具有很重要的作用,在市场上的应用越来越广,简称智能化预测。智能化预测可以提供精准的基于位置的服务,还可以根据预判,给车主推荐最优路线,这成为移动对象数据库研究的热点。针对现有方法的不足,提出基于高斯混合-贝叶斯模型的轨迹预测模型。实验表明,GM-BM模型在路段车流量正常情况下,通过调整混合模型中子模型的权重,可预测出最可能的轨迹,经计算与相同参数设置下的单模型相比,预测准确性至少提高10. 00%。

基于密度函数的高斯朴素贝叶斯集成算法研究

本文针对数据挖掘算法中的分类问题,针对连续性数据,提出了基于密度函数的高斯朴素贝叶斯集成算法。首先假设各特征值符合正态分布,计算出各特征值的均值和方差,也就是正态分布的密度函数。然后通过定义的密度函数,计算出其概率密度函数,利用高斯朴素贝叶斯分类器得到预测结果。在对某公司实际分类问题中应用该算法,结果表明该算法的预测能力有很大程度的提升。

基于LoRa的室内无源被动定位方法研究

针对传统主动定位方式需要目标时刻携带定位设备的问题,提出了一种基于LoRa信号的室内无源被动定位方案,使用差值限幅滤波算法和高斯朴素贝叶斯算法对室内定位方案进行验证。实验结果表明,在3m范围内方案的平均预测准确率为95.6%,在保证定位精度的前提下,能以较高的准确率对目标位置进行预测。

去除图像中高斯-脉冲噪声的有效方法

数字图像在获取和传输过程中常常会受到噪声的污染,有时会同时受到高斯噪声和脉冲噪声的污染。然而现有的去噪算法大多针对单一的高斯噪声或脉冲噪声,在处理混合噪声时无法取得令人满意的去噪效果。给出了一种去除数字图像中高斯-脉冲混合噪声的有效方法,去噪过程分为两个步骤:首先采用一种称为边界判定噪声检测的脉冲噪声检测方法检测出混合噪声中的脉冲噪声,对噪声图像作中值滤波后得到一幅受高斯噪声污染的过渡图像。然后用贝叶斯最小平方-高斯尺度混合模型对过渡图像进行滤波得到降噪后的图像。实验表明,同现有的其他去噪方法相比,该方法能够更有效地去除混合噪声。

一种基于改进Bhattacharyya距离的高斯网络协方差矩阵灵敏度分析方法

提出了一种改进的Bhattacharyya距离,用以度量2个协方差矩阵之间的差异性,简称为SΣ距离。证明了该距离在正定矩阵空间中满足距离的3条性质:正定性、对称性以及三角不等性,并将SΣ距离用于高斯网络协方差矩阵的灵敏度分析。数值实验结果表明,利用SΣ距离得到的分析结果与KL距离、Bhattacharyya距离完全一致,由于SΣ距离满足三角不等性,大大降低了矩阵的运算量。

水力发电站智能巡检机械设备缺陷自动识别方法

为了快速识别水力发电站的智能巡检机械设备的缺陷,提高水电站的安全性,提出水力发电站智能巡检机械设备缺陷自动识别方法。利用非下采样小波变换方法对智能巡检机械设备产生的信号展开去噪处理,采用EMD方法分解机械设备信号并对其展开自适应分析,提取信号特征值,在多维高斯贝叶斯原理的基础上,根据信号特征判断机械设备的状态,实现智能巡检机械设备的缺陷检测。实验结果表明,所提方法在去噪过程中的均方误差始终未超过0.97 dB2,缺陷识别时间低于3 s,ROC曲线面积大,缺陷识别信号的幅值与实际信号波动基本一致,具有良好的缺陷识别能力。

一种融合概率分类模型的精细化室内定位方法

针对大型目标区域室内定位中定位精度低及信号间干扰等问题,提出一种融合概率分类模型的精细化定位方法。对于大型定位区域,采用以RP的信号强度对目标区域聚类分区,缩小信号变化区域。信号的多径效应带来信号依据下的错误分区,该文采用汤普森检验理论对分区参考点进行物理坐标校验以剔除异常点。为减小AP间信号干扰,引入多元高斯的朴素贝叶斯模型对不同AP信号建立高斯概率模型,融合一对多支持向量机概率模型以提高算法定位精度。测试分析表明,该算法实现较好的聚类分区,降低信号间干扰,平均定位精度达到0.4008m,相比于其他传统算法,定位精度提高27%以上。